一、什麼是機器學習？

先來看一則開場白：

看完這段話，可以發現這裡涉及了很多基於“經驗”而做出的判斷。換句話說就是：通過對經驗的利用，就能對新的情況做出有效的決策。

**

機器學習定義是什麼呢：

**筆者摘錄了兩則，大家批評接受
—>①：機器學習它致力於研究如何通過計算手段，利用“經驗”來改善系統自身的效能。計算機裡“經驗”通常以“資料”形式存在，因此機器學習所研究的主要內容，是關於計算機上從資料中產生“模型”的演算法（也叫“學習演算法”）。有了學習演算法，我們把經驗資料輸入，計算機就能基於已有資料建立模型。當面臨新情況（新資料）時，模型會給我們提供相應的判斷。簡短來說，機器學習是研究關於“學習演算法”的學問。（摘錄周志華《機器學習》）
—>②：機器學習就是通過演算法，使得機器能從大量歷史資料中學習規律，從而對新的樣本做智慧識別或預測。（摘錄吳岸城《神經網路與深度學習》）

—> 筆者小注：兩則定義選取角度不同，各從內涵外延出發進行闡述。機器學習主體研究還是各種演算法，通過演算法對新資料進行預測，同時也包含資料模型的建立與分析。

–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-–

依據機器學習的方式分類

先了解一下會用到的基本術語：

• 學習：從資料中學得模型的過程，也叫訓練
• 訓練集：訓練過程使用的資料叫訓練資料，單獨一條資料叫訓練樣本，訓練樣本全體組成訓練集
• 學習器：就是依照部分資料建立的模型

• 泛化能力：學得模型適用於新樣本的能力
  –—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-

  —-—-——-—-—-–
  –—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—--
  依照預測值是離散的、連續值的劃分：
  1、預測值是：離散值–—-—-這類學習任務稱為“分類”。
  “二分類”任務，通常稱其中一個為“正類”，另一個為“反類”
  2、預測值是：連續值–—-—-這類學習任務稱為“迴歸”。
  3、將訓練集分成若干個組，每個組稱為一個簇，這種方法叫“聚類”
  –—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—--
  依照訓練資料是否擁有標記資訊的劃分：

• 監督學習：資料有表徵項，得到的模型預測結果能與原資料中表徵項進行比較。例如：我們通過訓練樣本中西瓜的外形、紋理，以及對應每個瓜是好瓜還是壞瓜（好/壞瓜就是表徵項）建立模型，再用檢驗樣本去驗證，得到的檢驗樣本的預測結果與檢驗樣本表徵項進行比較，就可以看出模型預測的準確性（學習器的學習能力）。代表有分類、迴歸等。

• 無監督學習：資料沒有表徵項，也就是沒有人為標定好的訓練資料，沒有告訴模型中哪些資料是正確的，哪些是錯誤的。需要學習模型推斷出資料的內在結構。例如在蘋果香蕉混合的果籃中，機器依照不同特徵將這兩種水果分開。代表有關聯規則的學習、聚類。常用演算法有Apriori演算法，K-Means演算法等。

• 強化學習（RL）：強化學習其實就是一個連續決策的過程。傳統的機器學習中的監督學習是給定一些表徵項，學習一個好的函式，對未知資料能做出很好的決策。但是有些時候，我們不知道表徵項是什麼，不知道好壞怎麼區分，所以RL不是給定表徵，而是給出一個回報函式，回報函式決定當前狀態得到什麼樣的結果。雖然這個過程有點像監督學習，區別在於表徵項不是預先準備的，而是通過一個個的學習過程來回調整機器學習到的“表徵項”

–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-–
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-–
–—-—-—-—-—-—-—-—-—-—-—-—–—-—-—-—-—-—-—-——-—-—-–

二、機器學習與資料建模、分析的區別

機器學習算是人工智慧研究的一個分支，而人工智慧又包含在當今大資料熱潮中，所以機器學習與資料建模、資料分析有相似重疊，但在以下兩點還是相差頗大。

1、資料輸入量：資料建模、資料分析針對於可見量資料，在這些可見量資料上進行後續的分析，而機器學習的資料輸入量相當龐大。打個比方就是，機器學習的資料量是一片大海，而資料建模、資料分析的資料量就猶如一灘海浪。我們能遇見一灘又一灘的海浪成型並輕撫海岸，卻始終見不了大海的全貌。
2、研究目的：資料建模、資料分析致力於找尋合適的模型，依照模型給出最優。而機器學習重視的是，隨著各種資料的輸入，這些資料呈現的狀態各是如何，再依照資料狀態給出合理預測。